CN113420489B - 一种双偏振雷达降水优化反演方法 - Google Patents

一种双偏振雷达降水优化反演方法 Download PDF

Info

Publication number
CN113420489B
CN113420489B CN202110570833.1A CN202110570833A CN113420489B CN 113420489 B CN113420489 B CN 113420489B CN 202110570833 A CN202110570833 A CN 202110570833A CN 113420489 B CN113420489 B CN 113420489B
Authority
CN
China
Prior art keywords
precipitation
data
pixel point
polarization
inversion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110570833.1A
Other languages
English (en)
Other versions
CN113420489A (zh
Inventor
寇蕾蕾
蒋银丰
唐佳琪
陈垚
王芷璇
杨春生
楚志刚
陈爱军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110570833.1A priority Critical patent/CN113420489B/zh
Publication of CN113420489A publication Critical patent/CN113420489A/zh
Application granted granted Critical
Publication of CN113420489B publication Critical patent/CN113420489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明基于双偏振雷达数据、雨滴谱数据、雨量计数据，利用神经网络及Logistic多元回归法，实现双偏振雷达降水量的自适应最优化反演，可最优选择降水反演公式，得到高精度雷达降水量数据，从而很好的应用到灾害性天气监测和预警预报中。另外，本方法自适应性较好，无需根据天气过程改变参数设置，由雨滴谱数据、双偏振雷达观测数据和雷达覆盖范围内的雨量计数据，可实现双偏振雷达降水量优化反演。并且，方法受降水系统个例及数据测量精度的影响较小，可应用于地基雷达任意探测位置，具有较高的降水估测精度以及较好的普适性和鲁棒性。

Description

一种双偏振雷达降水优化反演方法
技术领域
本发明涉及天气雷达的数据处理与应用技术领域，更确切地说，涉及一种地基双偏振雷达自适应优化反演地面降水量的方法。
背景技术
雷达定量测量降水的主要原理是基于一定的滴谱分布假定，建立雷达反射率因子Z和降雨量R的关系，即Z-R关系。常规单偏振雷达定量测量降水的Z-R关系受降水粒子的相态、粒子滴谱影响较大，反演降水精度往往受限。双偏振雷达可提供比常规多普勒天气雷达更多的回波参量，如差分反射率ZDR、差分相位ΦDP、差分相移率KDP，相关系数ρHV等，利用这些偏振雷达参量不仅可以识别水凝物的相态，还可反演粒子滴谱信息，且偏振参量对滴谱变化相对不敏感，因此，利用双偏振雷达测量可提高定量测量降水精度。常规的双偏振估计降水算法通常在Z-R关系基础上拓展，利用幂次关系单独或者联合使用双偏振参量，包括R(KDP)，R(ZH，ZDR)等。差分反射率ZDR反映了有效照射体积内粒子的平均形状，加入了ZDR的降水公式如R(ZH，ZDR)可以减小雨滴谱变化对降水估测的影响。差分相移率KDP不受定标误差、衰减、地物杂波、部分遮挡的影响，且其对雨滴谱变化不敏感，R(KDP)在强降水估计中精度最高。但雷达在实际运行中受多种因素的影响，数据精度往往受限，观测误差能带来较大的降水估计误差，且不同雷达降水反演公式在不同降水类型中性能不一样，如何最优选择降水反演公式依然是双偏振雷达降水反演应用的一个重要挑战问题。
基于偏振参量阈值、降水强度、水凝物分类组合使用偏振雷达降水公式相比单一降水公式，性能得到较大的改善，但在实际应用中也有一定的局限性，如偏振参量阈值的选择受降水系统及雷达数据测量质量而变化，降水强度的界定没有统一标准且同一降水强度的水凝物滴谱依然变化较大。
发明内容
本发明正是为了解决上述技术问题而设计的一种双偏振雷达降水优化反演方法，实现双偏振雷达降水量的自适应最优化反演，得到高精度定量降水估计产品，从而更好的应用到气象与水文部门的灾害性天气监测和预警预报中。
本发明解决其技术问题所采用的技术方案是：
一种双偏振雷达降水优化反演方法，其特征在于：基于对雷达探测目标区域所包括的各像素点，实现目标区域内各像素点降水量的反演，其中，通过步骤1到步骤10实现目标区域各像素点降水反演公式的最优选择，并基于目标区域内各像素点降水反演公式的选择，通过步骤11实现目标区域内各像素点降水量的最优估计：
步骤1：测量目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，其中双偏振雷达数据包括水平偏振反射率测量值ZH、差分反射率测量值ZDR、差分相移率测量值KDP、相关系数ρHV；
测量目标区域指定一个站点历史时间段内各单位时间节点的雨滴谱数据N(D)；
测量目标区域指定各站点历史时间段内各单位时间节点的雨量计测量降水量数据RG，即雨量计数据RG；
步骤2：针对目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，执行质量控制，对双偏振雷达数据进行质控；
步骤3：基于目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，利用模糊逻辑算法对各像素点雷达探测的粒子进行水凝物类型识别，将目标区域划分为液态水凝物像素点、以及非液态水凝物像素点；
步骤4：基于目标区域指定一个站点所测量历史时间段内各单位时间节点的雨滴谱数据N(D)，利用T矩阵算法得到历史时间段内各单位时间节点的散射振幅，进而计算历史时间段内各单位时间节点的双偏振参量，其中双偏振参量包括水平偏振反射率计算值ZH’、差分反射率计算值ZDR’、差分相移率计算值KDP’；
步骤5：基于水平偏振反射率计算值ZH’、差分反射率计算值ZDR’、差分相移率计算值KDP’之间预设的各个偏振组合关系(ZH’)、(KDP’)、(ZH’,ZDR’)，以对应历史时间段内各单位时间节点的各偏振组合关系的数据为输入，对应历史时间段内各单位时间节点雨滴谱仪的降水量R为输出，针对指定神经网络进行训练，训练出适合雷达探测目标区域的降水反演关系式R(ZH’)、R(KDP’)、R(ZH’,ZDR’)；
步骤6：将各像素点历史时间段内各单位时间节点的双偏振雷达数据ZH、ZDR、KDP作为降水反演关系式对应的输入量，分别代入步骤5得到的关系式R(ZH’)、R(KDP’)、R(ZH’，ZDR’)进行降水反演，得到目标区域各像素点历史时间段内各单位时间节点所对应的三种降水量估算结果；
步骤7：分别针对各个液态水凝物像素点，将历史时间段内各单位时间节点与雨量计数据时空匹配的降水量估算结果与对应的雨量计数据进行对比，得到降水量估算结果和雨量计数据的绝对偏差
Figure BDA0003082625440000031
若
Figure BDA0003082625440000032
最小，则该液态水凝物像素点对应于1，其他情况，则该液态水凝物像素点对应于0，构成0-1分布的二分类数据组；
步骤8：分别针对各个液态水凝物像素点，将相应历史时间段内各单位时间节点与雨量计数据时空匹配的双偏正雷达数据ZH、ZDR、KDP作为输入，该液态水凝物像素点对应的二分类数据结果为输出，构建Logistic多元回归预测模型，作为液态水凝物该像素点所对应的双偏振雷达最优降水反演选择公式,进而得到各个液态水凝物各像素点分别对应的双偏振雷达最优降水反演选择公式，再结合ZDR数值与预设阈值的比较公式，得到各个液态水凝物样本分别所对应的双偏振雷达最优降水反演公式；
步骤9：分别针对各个非液态水凝物像素点，基于含雹像素点与非含雹像素点的划分，获得各个非液态水凝物像素点分别所对应的双偏振雷达最优降水反演选择公式；
步骤10：结合步骤8和步骤9，得到每个像素点分别对应的双偏振雷达最优降水反演选择公式；
步骤11：基于以上步骤，在目标区域各个像素点对应最优降水公式选择的基础上，将各像素点的双偏振雷达数据ZH、ZDR、KDP代入相应的公式中，得到目标区域内每个像素点降水量的最优估计结果。
作为本发明的一种优选技术方案，所述步骤2：对双偏振雷达数据进行质量控制的具体方法为：利用模糊逻辑法对反射率因子数据ZH进行杂波识别并去除；利用中值滤波法对差分相移率KDP进行滤波处理；利用ZH-KDP联合订正法对反射率因子数据ZH进行衰减订正，并利用KDP订正法对差分反射率ZDR数据进行衰减订正。
作为本发明的一种优选技术方案，所述步骤3：水凝物识别的类型共有9种，分别是：干雪、湿雪、冰晶、霰、大滴、中雨、大雨、小雨、雨雹混合物，其中识别出的大滴、中雨、大雨、小雨归类为液态，剩余的归类为非液态。
作为本发明的一种优选技术方案，所述水凝物识别的过程为：输入为双偏振雷达数据ZH、ZDR、KDP、ρHV和水凝物粒子高度H，输出为水凝物类型；利用梯形隶属函数MFB对5个输入量进行模糊化处理，对应所有水凝物类型，分别建立各自对应的隶属函数，每个隶属函数分别对每个输入量进行模糊化处理；
梯形隶属函数MFB公式为：
Figure BDA0003082625440000041
式中，x为各输入量，X1为左起始点值，X2为左区间点值，X3为右区间点值，X4为右结束点值，它们决定了梯形函数的形状，X1、X2、X3、X4的值根据统计各种水凝物的雷达参量的概率分布得到；构建好各隶属函数MFB后，按一定的规则进行判断，每种水凝物类型同时对应5个输入量的隶属函数值进行判断；对于所有水凝物类型，将各类型对应的输入量模糊化后的贡献值进行加权求和，得到各水凝物类型对应的总贡献度；对各总贡献度进行去模糊化处理，总贡献度最大值对应的水凝物类型，即为输出水凝物类型。
作为本发明的一种优选技术方案，所述步骤4：双偏振参量ZH’、ZDR’、KDP’的计算公式为：
Figure BDA0003082625440000042
Figure BDA0003082625440000043
Z'H＝10log10(Z'h),[dBZ]
ZV'＝10log10(Zv'),[dBZ]
Figure BDA0003082625440000044
Figure BDA0003082625440000051
式中，Zh’表示水平偏振反射率计算值，ZH’是Zh’经过单位换算后的水平偏振反射率计算值，Zv'表示垂直偏振反射率计算值，ZV’是Zv’经过单位换算后的垂直偏振反射率计算值，λ为雷达波长，|K|2为粒子的介电常数，Dmax、Dmin表示雨滴直径的最大值与最小值，fhh(π,D)为粒子水平偏振方向的后向散射振幅，fvv(π,D)为粒子垂直偏振方向的后向散射振幅，N(D)dD表示单位体积内雨滴直径处于D～D+dD之间的粒子数，fhh(0,D)表示粒子水平偏振方向的前向散射振幅，fvv(0,D)表示粒子垂直偏振方向的前向散射振幅，Re表示取复数实部。
作为本发明的一种优选技术方案，所述步骤7和步骤8时空匹配的依据为：时间匹配以雨量计数据时间分辨率1小时为依据，将1小时内目标区域各像素点对应历史时间段内各单位时间节点相应的双偏振雷达数据和降水估算结果分别提取出作为匹配数据；空间匹配以将距离雨量计测量像素点最近的6个像素点为依据，分别提取出6个像素点内对应历史时间段内各单位时间节点相应的双偏振雷达数据和降水估算结果作为匹配数据。
作为本发明的一种优选技术方案，所述步骤8：针对各个液态水凝物像素点，选取最优降水反演公式的方式为：若预测结果为1，则此像素点选择R(KDP’)作为此像素点的降水反演公式；若预测结果为0，且ZDR大于0.5dB，则此像素点选择R(ZH’,ZDR’)作为降水反演公式；否则，选择R(ZH’)进行降水反演。
作为本发明的一种优选技术方案，所述步骤9：针对各个非液态水凝物像素点，选取最优降水反演公式方式为：对于各含雹像素点，选择R(KDP’)进行降水反演；对于各非含雹像素点，基于R(ZH’)降水公式，利用各像素分别对应指定历史时间段内各单位时间节点的降水估算结果与相应的雨量计数据进行对比，确定非含雹像素点对应的修正系数α，使该样本中指定历史时间段内各单位时间节点两者的均方误差总和值达到最小，即：
∑(αR(Z'H)-RG)2→min
其中，Σ表示所有相关样本的累加，min表示达到最小，得到各非含雹像素点降水反演公式为αR(ZH’)。
本发明的有益效果是：一种双偏振雷达降水优化反演方法可最优选择降水反演公式，得到高精度雷达降水量数据，从而很好的应用到灾害性天气监测和预警预报中，另外，本方法自适应性较好，无需根据天气过程改变参数设置，由雨滴谱数据、双偏振雷达观测数据和雷达覆盖范围内的雨量计数据，可实现双偏振雷达降水量优化反演。
附图说明
图1为双偏振雷达自适应优化反演降水量的总流程图；
图2为双偏振雷达水凝物识别流程图；
图3为基于神经网络的双偏振雷达降水关系最优确定流程图；
图4为建立Logistic多元回归预测模型流程图。
具体实施方式
以下结合附图对本发明进一步详细说明。
如图1所示，本发明一种双偏振雷达降水优化反演方法，基于对雷达探测目标区域所包括的各像素点，实现目标区域内各像素点降水量的反演，其中，通过步骤1到步骤10实现目标区域各像素点降水反演公式的最优选择，并基于目标区域内各像素点降水反演公式的选择，通过步骤11实现目标区域内各像素点降水量的最优估计：
步骤1：测量目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，其中双偏振雷达数据包括水平偏振反射率测量值ZH、差分反射率测量值ZDR、差分相移率测量值KDP、相关系数ρHV；
测量目标区域指定一个站点历史时间段内各单位时间节点的雨滴谱数据N(D)；
测量目标区域指定各站点历史时间段内各单位时间节点的雨量计测量降水量数据RG，即雨量计数据RG。
步骤2：针对目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，执行质量控制，对双偏振雷达数据进行质控，其具体方法为：
利用模糊逻辑法对反射率因子数据ZH进行杂波识别并去除；
利用中值滤波法对差分相移率KDP进行滤波处理；
利用ZH-KDP联合订正法对反射率因子数据ZH进行衰减订正，并利用KDP订正法对差分反射率ZDR数据进行衰减订正。
步骤3：基于目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，利用模糊逻辑算法对各像素点雷达探测的粒子进行水凝物类型识别，水凝物识别的类型共有9种，分别是：干雪、湿雪、冰晶、霰、大滴、中雨、大雨、小雨、雨雹混合物，其中识别出的大滴、中雨、大雨、小雨归类为液态，剩余的归类为非液态，将目标区域划分为液态水凝物像素点、以及非液态水凝物像素点。
如图2所示，双偏振雷达水凝物识别流程如下：
3.1)确定输入参量：输入为双偏振雷达数据ZH、ZDR、KDP、ρHV和高度H；
3.2)利用梯形隶属函数MFB对5个输入量进行模糊化处理，对应所有水凝物类型，分别建立各自对应的隶属函数，每个隶属函数分别对每个输入量进行模糊化处理；
梯形隶属函数MFB公式为：
Figure BDA0003082625440000071
式中，x为各输入量，X1为左起始点值，X2为左区间点值，X3为右区间点值，X4为右结束点值，它们决定了梯形函数的形状，X1、X2、X3、X4的值根据统计各种水凝物的雷达参量的概率分布得到，也可利用参考文献(如曹俊武等(2005，模糊逻辑法在双线偏振雷达识别降水粒子相态中的研究)统计的经验数值；
3.3)构建好各隶属函数MFB后，按一定的规则进行判断处理，每种水凝物类型同时对应5个输入量的隶属函数值进行判断；水凝物的分类规则用逻辑语言描述：
if(ZH＝MFB1jandZDR＝MFB2jandKDP＝MFB3jand|ρhv|＝MFB4jand高度H＝MFB5j)
then降水粒子类型＝j
其中j表示第j类降水粒子类型；
3.4)对于所有水凝物类型，将各类型对应的输入量模糊化后的贡献值Pij进行加权求和，得到各水凝物类型对应的总贡献度，第j类降水粒子对应的总贡献度Rj；
Figure BDA0003082625440000081
其中Pij表示第i个输入参数对第j类降水粒子的贡献强度，通过代入隶属函数计算第i个输入参数属于第j类降水粒子的概率得到，可以采用非等权重的方法，如ρHV受本身数据特性的影响，其权重系数可设为最低，而KDP资料是经过处理后得到，它的权重系数要略低于其他原始采集的资料，如ZH和ZDR，各梯形函数的参数以及权重系数可参考文献Park etal(2009,The hydrometeor classification algorithm for the polarimetric WSR-88D:description and application to an MCS)；
3.5)对各总贡献度进行去模糊化处理，即针对每一个水凝物类型，有其对应的总贡献度，找出总贡献度最大的那个类别，C＝max(Rj)，即为输出水凝物类型；
3.6)将识别出的水凝物类别进行输出，包括干雪、湿雪、冰晶、霰、大滴、中雨、大雨、小雨、雨雹混合物，其中识别出的大滴、中雨、大雨、小雨归类为液态，剩余的归类为非液态。
步骤4：基于目标区域指定一个站点所测量历史时间段内各单位时间节点的雨滴谱数据N(D)，利用T矩阵算法得到历史时间段内各单位时间节点的散射振幅，进而计算历史时间段内各单位时间节点的双偏振参量，其中双偏振参量包括水平偏振反射率计算值ZH’、差分反射率计算值ZDR’、差分相移率计算值KDP’；
Figure BDA0003082625440000082
Figure BDA0003082625440000083
Z'H＝10log10(Z'h),[dBZ]
ZV'＝10log10(Zv'),[dBZ]
Figure BDA0003082625440000084
Figure BDA0003082625440000091
计算不同偏振方向的散射幅度时，所采用的轴比公式为：
r＝0.9951+0.0251D-0.036D2+0.00503D3-0.0002492D4
式中，D为等效粒子直径,Zh’表示水平偏振反射率计算值，ZH’是Zh’经过单位换算后的水平偏振反射率计算值，Zv'表示垂直偏振反射率计算值，ZV’是Zv’
经过单位换算后的垂直偏振反射率计算值，λ为雷达波长，|K|2为粒子的介电常数，Dmax、Dmin表示雨滴直径的最大值与最小值，fhh(π,D)为粒子水平偏振方向的后向散射振幅，fvv(π,D)为粒子垂直偏振方向的后向散射振幅，N(D)dD表示单位体积内雨滴直径处于D～D+dD之间的粒子数，fhh(0,D)表示粒子水平偏振方向的前向散射振幅，fvv(0,D)表示粒子垂直偏振方向的前向散射振幅，Re表示取复数实部。
步骤5：基于水平偏振反射率计算值ZH’、差分反射率计算值ZDR’、差分相移率计算值KDP’之间预设的各个偏振组合关系(ZH’)、(KDP’)、(ZH’,ZDR’)，以对应历史时间段内各单位时间节点的各偏振组合关系的数据为输入，对应历史时间段内各单位时间节点雨滴谱仪的降水量R为输出，针对指定神经网络进行训练，训练出适合雷达探测目标区域的降水反演关系式R(ZH’)、R(KDP’)、R(ZH’,ZDR’)；
其中R为小时降水量，单位为mm/h，ZH单位为mm6/m3，KDP单位为°/km，ZDR的单位为dB的线性化，R(ZH’)表示偏振变量ZH’与降水量R呈非线性关系式，即R＝f(ZH’)，其中f()表示非线性函数关系式，将通过网络学习训练得到，R(KDP’)、R(ZH’,ZDR’)的含义与R(ZH’)类似，即需要三个神经网络学习过程，分别得到R(ZH’)、R(KDP’)、R(ZH’,ZDR’)关系式；由于过程类似，这里仅以R(ZH’)的神经网络训练过程为例，关于神经网络训练过程，如图3所示，具体步骤如下：
5.1)神经网络训练主要包含输入层、隐含层和输出层几个部分，首先确定神经网络的输入和输出，神经网络的输入为步骤4中计算得到的双偏振参量，期望输出为雨滴谱仪测量得到的小时降水量；
5.2)对网络进行初始化，根据网络输入数据和期望输出数据，统计样本数目，设定隐含层节点数M、误差函数e、计算精度ε、最大学习次数N、学习速率η，初始化输入层、隐含层和输出层神经元之间的连接权值wij,wjk，初始化隐含层阈值a和输出层阈值b；
5.3)根据输入变量ZH’，输入层和隐含层连接权值wij以及隐含层阈值a，计算隐含层输出H；根据隐含层输出H，连接权值wjk和阈值b，计算BP网络预测输出O：
Figure BDA0003082625440000101
Figure BDA0003082625440000102
其中y为隐含层激励函数
Figure BDA0003082625440000103
ZHi’表示第i个输入的ZH’数据，n表示输入的样本个数，k表示输出层的个数，由于输出只有一个变量R，则k＝1；
5.4)根据网络预测输出O和期望输出R，计算网络预测误差e：
e＝O-R
5.5)根据网络预测误差e，利用梯度下降法更新网络权值wij,wjk：
wij＝wij+ηHj(1-Hj)wjkek i＝1,2,…n；j＝1,2,…M
wjk＝wjk+ηHjek
5.6)根据网络预测误差e更新网络隐含层阈值a和输出层阈值b：
aj＝aj+ηHj(1-Hj)wjkek j＝1,2,…M
bk＝bk+ek
5.7)根据更新后的权值和阈值，再次计算网络预测输出，并根据期望输出和预测输出，再次计算网络预测误差，判断网络预测误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数或误差不能再收敛，结束算法，否则进入下一轮学习；当误差满足要求时，结束训练，并保存和输出权值训练结果。
步骤6：将各像素点历史时间段内各单位时间节点的双偏振雷达数据ZH、ZDR、KDP作为降水反演关系式对应的输入量，分别代入步骤5得到的关系式R(ZH’)、R(KDP’)、R(ZH’，ZDR’)进行降水反演，得到目标区域各像素点历史时间段内各单位时间节点所对应的三种降水量估算结果。
步骤7：分别针对各个液态水凝物像素点，将历史时间段内各单位时间节点与雨量计数据时空匹配的降水量估算结果与对应的雨量计数据进行对比，得到降水量估算结果和雨量计数据的绝对偏差
Figure BDA0003082625440000111
若
Figure BDA0003082625440000112
最小，则该液态水凝物像素点对应于1，其他情况，则该液态水凝物像素点对应于0，构成0-1分布的二分类数据组；
Figure BDA0003082625440000113
Figure BDA0003082625440000114
Figure BDA0003082625440000115
其中RG是雨量计测量得到的降水量，R(ZH’)是基于双偏振参量ZH反演得到的降水量，R(KDP’)是基于双偏振参量KDP反演得到的降水量，R(ZH’，ZDR’)是基于双偏振参量ZH,ZDR反演得到的降水量。
步骤8：分别针对各个液态水凝物像素点，将相应历史时间段内各单位时间节点与雨量计数据时空匹配的双偏正雷达数据ZH、ZDR、KDP作为输入，该液态水凝物像素点对应的二分类数据结果为输出，构建Logistic多元回归预测模型，作为液态水凝物该像素点所对应的双偏振雷达最优降水反演选择公式,进而得到各个液态水凝物各像素点分别对应的双偏振雷达最优降水反演选择公式，再结合ZDR数值与预设阈值的比较公式，得到各个液态水凝物样本分别所对应的双偏振雷达最优降水反演公式；
对各个液态水凝物像素点，选取最优降水反演公式的方式为：若预测结果为1，则此像素点选择R(KDP’)作为此像素点的降水反演公式；若预测结果为0，且ZDR大于0.5dB，则此像素点选择R(ZH’,ZDR’)作为降水反演公式；否则，选择R(ZH’)进行降水反演。
建立Logistic多元回归预测模型的过程如图4所示，具体步骤如下：
8.1)确定输入输出数据：输入数据为与雨量计时空匹配的双偏振雷达数据ZH、ZDR、KDP，输出数据为步骤7中得到的0-1分布的二分类数据组；
8.2)确定训练集和测试集：从8.1)的样本中随机抽取50％对应的输入输出数据作为训练集，剩余50％对应的输入输出数据作为测试集；
8.3)引入Sigmoid函数，函数形式为
Figure BDA0003082625440000116
其中z值为每一个特征值xn乘一个回归系数wn的累加，xn为8.2)训练集中的输入参量，wn为最优回归系数，从而Sigmoid函数最终形式转换为：
Figure BDA0003082625440000121
8.4)对Sigmoid函数中的回归系数进行初始化，设置初始回归系数矩阵为W0＝[w0w1 ... wn]；
8.5)设置回归系数变化的步长d；
8.6)计算新的回归系数：通过在初始化回归系数基础上加减步长，以得到新的回归系数；
8.7)将回归系数代入训练集并计算Sigmoid函数值，Sigmoid值范围在0-1之间，若Sigmoid值>0.5，则表示类别1；若Sigmoid值<0.5，则表示类别0；
8.8)根据预测类别与实际类别计算样本识别错误率delta，其中实际类别即为8.2)中的训练集中输出的二分类数据，预测类别为8.7)中结果，若预测类别和实际类别一致，则为正确，否则为错误；若错误率满足既定要求，则得到最优回归系数，进行下一步；若误差不满足既定要求，则按步长d调整回归系数，重新计算Sigmoid函数，直到满足既定要求；
8.9)再将得到的最优回归系数代入测试集数据并计算Sigmoid函数值，根据预测类别与实际类别计算识别错误率delta，若错误率满足既定要求，则得到最优回归系数，建立Logistic回归预测模型；若误差不满足既定要求，则回到8.6)步，重新进行步骤8.6)之后的计算，直到满足既定要求。
所述步骤7和步骤8时间匹配的依据为：时间匹配以雨量计数据时间分辨率1小时为依据，将1小时内目标区域各像素点对应历史时间段内各单位时间节点相应的双偏振雷达数据和降水估算结果分别提取出作为匹配数据；空间匹配以将距离雨量计测量像素点最近的6个像素点为依据，分别提取出6个像素点内对应历史时间段内各单位时间节点相应的双偏振雷达数据和降水估算结果作为匹配数据。
步骤9：分别针对各个非液态水凝物像素点，基于含雹像素点与非含雹像素点的划分，获得各个非液态水凝物像素点分别所对应的双偏振雷达最优降水反演选择公式；
对各个非液态水凝物像素点，选取最优降水反演公式方式为：对于各含雹像素点，选择R(KDP’)进行降水反演；对于各非含雹像素点，基于R(ZH’)降水公式，利用各像素分别对应指定历史时间段内各单位时间节点的降水估算结果与相应的雨量计数据进行对比，确定非含雹像素点对应的修正系数α，使该样本中指定历史时间段内各单位时间节点两者的均方误差总和值达到最小，即：
∑(αR(Z'H)-RG)2→min
其中，Σ表示所有相关样本的累加，min表示达到最小，得到各非含雹像素点降水反演公式为αR(ZH’)。
步骤10：结合步骤8和步骤9，得到每个像素点分别对应的双偏振雷达最优降水反演选择公式。
步骤11：基于以上步骤，在目标区域各个像素点对应最优降水公式选择的基础上，将各像素点的双偏振雷达数据ZH、ZDR、KDP代入相应的公式中，得到目标区域内每个像素点降水量的最优估计结果。
上述技术方案所设计双偏振雷达降水优化反演方法可最优选择降水反演公式，得到高精度雷达降水量数据，从而很好的应用到灾害性天气监测和预警预报中，另外，本方法自适应性较好，无需根据天气过程改变参数设置，由雨滴谱数据、双偏振雷达观测数据和雷达覆盖范围内的雨量计数据，可实现双偏振雷达降水量优化反演。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种双偏振雷达降水优化反演方法，其特征在于：基于对雷达探测目标区域所包括的各像素点，实现目标区域内各像素点降水量的反演，其中，通过步骤1到步骤10实现目标区域各像素点降水反演公式的最优选择，并基于目标区域内各像素点降水反演公式的选择，通过步骤11实现目标区域内各像素点降水量的最优估计：
步骤1：测量目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，其中双偏振雷达数据包括水平偏振反射率测量值ZH、差分反射率测量值ZDR、差分相移率测量值KDP、相关系数ρHV；
测量目标区域指定一个站点历史时间段内各单位时间节点的雨滴谱数据N(D)；
测量目标区域指定各站点历史时间段内各单位时间节点的雨量计测量降水量数据RG，即雨量计数据RG；
步骤2：针对目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，执行质量控制，对双偏振雷达数据进行质控；
步骤3：基于目标区域各像素点指定历史时间段内各单位时间节点的双偏振雷达数据，利用模糊逻辑算法对各像素点雷达探测的粒子进行水凝物类型识别，将目标区域划分为液态水凝物像素点、以及非液态水凝物像素点；
步骤4：基于目标区域指定一个站点所测量历史时间段内各单位时间节点的雨滴谱数据N(D)，利用T矩阵算法得到历史时间段内各单位时间节点的散射振幅，进而计算历史时间段内各单位时间节点的双偏振参量，其中双偏振参量包括水平偏振反射率计算值ZH’、差分反射率计算值ZDR’、差分相移率计算值KDP’；
步骤5：基于水平偏振反射率计算值ZH’、差分反射率计算值ZDR’、差分相移率计算值KDP’之间预设的各个偏振组合关系(ZH’)、(KDP’)、(ZH’,ZDR’)，以对应历史时间段内各单位时间节点的各偏振组合关系的数据为输入，对应历史时间段内各单位时间节点雨滴谱仪的降水量R为输出，针对指定神经网络进行训练，训练出适合雷达探测目标区域的降水反演关系式R(ZH’)、R(KDP’)、R(ZH’,ZDR’)；
步骤6：将各像素点历史时间段内各单位时间节点的双偏振雷达数据ZH、ZDR、KDP作为降水反演关系式对应的输入量，分别代入步骤5得到的关系式R(ZH’)、R(KDP’)、R(ZH’，ZDR’)进行降水反演，得到目标区域各像素点历史时间段内各单位时间节点所对应的三种降水量估算结果；
步骤7：分别针对各个液态水凝物像素点，将历史时间段内各单位时间节点与雨量计数据时空匹配的降水量估算结果与对应的雨量计数据进行对比，得到降水量估算结果和雨量计数据的绝对偏差
Figure FDA0003082625430000021
若
Figure FDA0003082625430000022
最小，则该液态水凝物像素点对应于1，其他情况，则该液态水凝物像素点对应于0，构成0-1分布的二分类数据组；
步骤8：分别针对各个液态水凝物像素点，将相应历史时间段内各单位时间节点与雨量计数据时空匹配的双偏振雷达数据ZH、ZDR、KDP作为输入，该液态水凝物像素点对应的二分类数据结果为输出，构建Logistic多元回归预测模型，作为液态水凝物该像素点所对应的双偏振雷达最优降水反演选择公式,进而得到各个液态水凝物像素点分别对应的双偏振雷达最优降水反演选择公式，再结合ZDR数值与预设阈值的比较公式，得到各个液态水凝物样本分别所对应的双偏振雷达最优降水反演公式；
步骤9：分别针对各个非液态水凝物像素点，基于含雹像素点与非含雹像素点的划分，获得各个非液态水凝物像素点分别所对应的双偏振雷达最优降水反演选择公式；
步骤10：结合步骤8和步骤9，得到每个像素点分别对应的双偏振雷达最优降水反演选择公式；
步骤11：基于以上步骤，在目标区域各个像素点对应最优降水公式选择的基础上，将各像素点的双偏振雷达数据ZH、ZDR、KDP代入相应的公式中，得到目标区域内每个像素点降水量的最优估计结果。
2.根据权利要求1所述的一种双偏振雷达降水优化反演方法，其特征在于：所述步骤2中对双偏振雷达数据进行质量控制的具体方法为：
利用模糊逻辑法对反射率因子数据ZH进行杂波识别并去除；
利用中值滤波法对差分相移率KDP进行滤波处理；
利用ZH-KDP联合订正法对反射率因子数据ZH进行衰减订正，并利用KDP订正法对差分反射率ZDR数据进行衰减订正。
3.根据权利要求1所述的一种双偏振雷达降水优化反演方法，其特征在于：
其所述步骤3中水凝物识别的类型共有9种，分别是：干雪、湿雪、冰晶、霰、大滴、中雨、大雨、小雨、雨雹混合物，其中识别出的大滴、中雨、大雨、小雨归类为液态，剩余的归类为非液态。
4.根据权利要求3所述的一种双偏振雷达降水优化反演方法，其特征在于：
所述水凝物识别的过程如下：
4.1)输入为双偏振雷达数据ZH、ZDR、KDP、ρHV和水凝物粒子高度H，输出为水凝物类型；
4.2)利用梯形隶属函数MFB对5个输入量进行模糊化处理，对应所有水凝物类型，分别建立各自对应的隶属函数，每个隶属函数分别对每个输入量进行模糊化处理；
梯形隶属函数MFB公式为：
Figure FDA0003082625430000031
式中，x为各输入量，X1为左起始点值，X2为左区间点值，X3为右区间点值，X4为右结束点值，它们决定了梯形函数的形状，X1、X2、X3、X4的值根据统计各种水凝物的雷达参量的概率分布得到；
4.3)构建好各隶属函数MFB后，按一定的规则进行判断，每种水凝物类型同时对应5个输入量的隶属函数值进行判断；
4.4)对于所有水凝物类型，将各类型对应的输入量模糊化后的贡献值进行加权求和，得到各水凝物类型对应的总贡献度；
4.5)对各总贡献度进行去模糊化处理，总贡献度最大值对应的水凝物类型，即为输出水凝物类型。
5.根据权利要求1所述的一种双偏振雷达降水优化反演方法，其特征在于：所述步骤4中双偏振参量ZH’、ZDR’、KDP’的计算公式为：
Figure FDA0003082625430000032
Figure FDA0003082625430000041
Z'H＝10log10(Z'h),[dBZ]
ZV'＝10log10(Zv'),[dBZ]
Figure FDA0003082625430000042
Figure FDA0003082625430000043
式中，Zh’表示水平偏振反射率计算值，ZH’是Zh’经过单位换算后的水平偏振反射率计算值，Zv'表示垂直偏振反射率计算值，ZV’是Zv’经过单位换算后的垂直偏振反射率计算值，λ为雷达波长，|K|2为粒子的介电常数，Dmax、Dmin表示雨滴直径的最大值与最小值，fhh(π,D)为粒子水平偏振方向的后向散射振幅，fvv(π,D)为粒子垂直偏振方向的后向散射振幅，N(D)dD表示单位体积内雨滴直径处于D～D+dD之间的粒子数，fhh(0,D)表示粒子水平偏振方向的前向散射振幅，fvv(0,D)表示粒子垂直偏振方向的前向散射振幅，Re表示取复数实部。
6.根据权利要求1所述的一种双偏振雷达降水优化反演方法，其特征在于：所述步骤7和步骤8时间匹配的依据为：时间匹配以雨量计数据时间分辨率1小时为依据，将1小时内目标区域各像素点对应历史时间段内各单位时间节点相应的双偏振雷达数据和降水估算结果分别提取出作为匹配数据；空间匹配以将距离雨量计测量像素点最近的6个像素点为依据，分别提取出6个像素点内对应历史时间段内各单位时间节点相应的双偏振雷达数据和降水估算结果作为匹配数据。
7.根据权利要求1所述的一种双偏振雷达降水优化反演方法，其特征在于：所述步骤8对各个液态水凝物像素点，选取最优降水反演公式的方式为：
若预测结果为1，则此像素点选择R(KDP’)作为此像素点的降水反演公式；
若预测结果为0，且ZDR大于0.5dB，则此像素点选择R(ZH’,ZDR’)作为降水反演公式；
否则，选择R(ZH’)进行降水反演。
8.根据权利要求1所述的一种双偏振雷达降水优化反演方法，其特征在于：所述步骤9对各个非液态水凝物像素点，选取最优降水反演公式方式为：
对于各含雹像素点，选择R(KDP’)进行降水反演；
对于各非含雹像素点，基于R(ZH’)降水公式，利用各像素分别对应指定历史时间段内各单位时间节点的降水估算结果与相应的雨量计数据进行对比，确定非含雹像素点对应的修正系数α，使该样本中指定历史时间段内各单位时间节点两者的均方误差总和值达到最小，即：
∑(αR(Z'H)-RG)2→min
其中，Σ表示所有相关样本的累加，min表示达到最小，
得到各非含雹像素点降水反演公式为αR(ZH’)。
CN202110570833.1A 2021-05-25 2021-05-25 一种双偏振雷达降水优化反演方法 Active CN113420489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110570833.1A CN113420489B (zh) 2021-05-25 2021-05-25 一种双偏振雷达降水优化反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110570833.1A CN113420489B (zh) 2021-05-25 2021-05-25 一种双偏振雷达降水优化反演方法

Publications (2)

Publication Number Publication Date
CN113420489A CN113420489A (zh) 2021-09-21
CN113420489B true CN113420489B (zh) 2023-05-09

Family

ID=77712835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110570833.1A Active CN113420489B (zh) 2021-05-25 2021-05-25 一种双偏振雷达降水优化反演方法

Country Status (1)

Country Link
CN (1) CN113420489B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187533B (zh) * 2022-02-15 2022-05-03 西南交通大学 一种基于随机森林时序分类的GB-InSAR大气改正方法
CN114509734B (zh) * 2022-04-19 2022-07-19 南京气象科技创新研究院 一种基于雨滴谱的双偏振天气雷达数据质量实时评估方法
CN114545417B (zh) * 2022-04-25 2022-07-19 中国气象科学研究院 一种基于最优参数的雨滴谱反演方法和装置
CN115166750A (zh) * 2022-08-22 2022-10-11 天津大学 一种基于双偏振多普勒雷达数据的定量降水估计方法
CN115575914B (zh) * 2022-12-07 2023-03-10 成都远望科技有限责任公司 一种多波段双线偏振天气雷达观测量误差量化方法
CN115902812B (zh) * 2022-12-29 2023-09-22 浙江省气象台 一种短时暴雨天气背景自动判别方法、系统、设备及终端
CN115980756B (zh) * 2023-03-17 2023-07-04 中国人民解放军国防科技大学 一种基于星载双频雷达的降水中水凝物种类识别方法
CN116430390B (zh) * 2023-06-13 2023-08-22 南京信息工程大学 一种面向资料同化的s波段双偏振雷达质量控制方法
CN116819490B (zh) * 2023-08-31 2023-11-17 成都远望科技有限责任公司 基于云雷达与激光雷达的云与气溶胶分类的方法
CN117706559B (zh) * 2024-02-05 2024-05-03 南京信息工程大学 一种基于双偏振雷达资料的水凝物和水汽反演方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106547037A (zh) * 2016-10-21 2017-03-29 中国人民解放军理工大学 双频双偏振微波链路联合的雨滴谱反演及降水类型识别方法
CN110543893A (zh) * 2019-08-07 2019-12-06 河海大学 基于bp神经网络的微波衰减降水粒子类型的识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106547037A (zh) * 2016-10-21 2017-03-29 中国人民解放军理工大学 双频双偏振微波链路联合的雨滴谱反演及降水类型识别方法
CN110543893A (zh) * 2019-08-07 2019-12-06 河海大学 基于bp神经网络的微波衰减降水粒子类型的识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An Adaptive Rainfall Estimation Algorithm for Dual-Polarization Radar;Leilei Kou 等;IEEE Geoscience and Remote Sensing Letters;第19卷;1-5 *
Comparisons of three-dimensional reflectivity and precipitation rate from GPM dual-frequency precipitation radar and ground dual-polarization radar;Leilei Kou 等;Atmospheric Research;第282卷;1-4 *
C波段双偏振多普勒天气雷达资料分析及在定量估计降水中的应用研究;寇蕾蕾; 李应超; 楚志刚; 徐芬;带气象学报;第34卷(第4期);460-471 *
C波段双偏振雷达降水估计的误差分析与建模;唐佳琪; 寇蕾蕾; 蒋银丰; 楚志刚; 陈爱军;气象学报;第80卷(第02期);224-242 *
基于双偏振天气雷达的水凝物相态识别技术研究进展;林青云 等;遥感技术与应用;第35卷(第3期);517-523 *

Also Published As

Publication number Publication date
CN113420489A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113420489B (zh) 一种双偏振雷达降水优化反演方法
Ali et al. An ensemble-ANFIS based uncertainty assessment model for forecasting multi-scalar standardized precipitation index
Ma et al. Transfer learning for long-interval consecutive missing values imputation without external features in air pollution time series
Mouatadid et al. Input selection and data-driven model performance optimization to predict the Standardized Precipitation and Evaporation Index in a drought-prone region
CN110852245B (zh) 基于离散属性bnt的双偏振气象雷达降水粒子分类方法
CN111461413B (zh) 一种公路路面使用性能检测系统
CN111429718B (zh) 一种公路交通安全智能检测系统
CN113255972B (zh) 基于Attention机制的短临降水预测方法
CN107703493A (zh) 基于自适应果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法
CN113536665B (zh) 基于特征工程和lstm的路表温度短临预测方法及系统
Bushara et al. Using adaptive neuro-fuzzy inference system (anfis) to improve the long-term rainfall forecasting
Habibie et al. A Multicriteria Index using Neural Network to Evaluate the Potential Lands of Maize
Zheng et al. Design data decomposition-based reference evapotranspiration forecasting model: a soft feature filter based deep learning driven approach
Schmidinger et al. Validation of uncertainty predictions in digital soil mapping
CN107907872A (zh) 基于自适应变异果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法
CN116663404A (zh) 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统
CN114706145B (zh) 基于雹云微物理与热动力特征的冰雹预警方法
CN108694382B (zh) 一种基于超宽带雷达传感器的土壤pH分类方法
CN114692692B (zh) 一种基于微波衰减信号融合核极限学习机的降雪识别方法
CN114384487A (zh) 一种基于XGBoost的气象雷达地物回波识别方法
Bharti et al. Soft computing and statistical technique-Application to eutrophication potential modelling of Mumbai coastal area
Adeyemo Soft Computing techniques for weather and Climate change studies
Sharma et al. A fuzzy inference model for rainfall prediction
Aprilia et al. Development of a Method for Classifying Convective and Stratiform Rains from Micro Rain Radar (MRR) Observation Data Using Artificial Neural Network
Schreck et al. Evidential deep learning: Enhancing predictive uncertainty estimation for earth system science applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant